一种智能电表应力误差分析方法、设备、终端及可读介质

技术领域

本发明涉及电网智能输电领域，特别涉及一种智能电表应力误差分析方法、设备及可读介质。

背景技术

在智能电网中，智能电表承担着电能数据采集、计量和传输的任务，开拓出双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化服务，极大地促进着信息分析、集成与优化和信息展现。智能电能表功能的完善符合智能电网和新能源发展的趋势，同时它的发展也促进着现代电力系统物理层与信息层的融合化发展。

智能电能表结构模块的差异性、各功能模块内部的复杂性已及模块间拓扑关系的多样性使智能电能表在工作时误差情况更加复杂，使现有的误差分析方法如多项式回归、神经网络法、最小二乘法等难以较为客观精确地描述智能电能表的误差情况。现有的误差检验方法存在以下两方面问题：一方面检定时只是验证其在参比条件下的误差是否达到其准确度等级的要求，然后估计其测得值的置信区间，从而评价电能表合格与否，造成了有用信息的浪费；另一方面，实验在实验室的环境条件下进行，未能充分考虑实际工况下使用环境多样，存在多种应力的情况。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种智能电表应力误差分析方法，能够利用经过LM(Levenberg-Marquardt)优化的BP(Back-propagation误差反向传播)神经网络从数据的层面上揭示了多种应力因素与电能表误差的内在联系。

本发明还提出一种具有上述智能电表应力误差分析方法的设备及存储介质。

根据本发明的第一方面实施例的智能电表应力误差分析方法，其特征在于，包括以下步骤：

获取智能电表的应力数据及其误差数据；

确定所述智能电表的应力数据中的典型应力数据；

将所述典型应力数据及其误差数据送入神经网络进行训练，得到经过训练的神经网络；

利用经过训练的神经网络，建立不同应力条件下的误差数据关系。

根据本发明实施例的智能电表应力误差分析方法，至少具有如下有益效果：利用智能电表采集的数据，然后送入经过LM优化的BP神经网路中进行训练，从而得到经过训练的神经网络，用于预测不同应力条件下误差的变化关系。

根据本发明的一些实施例，所述确定所述智能电表的应力数据中的典型应力的步骤，包括：

对数据进行标准化处理；

利用所述经过标准化处理的数据，计算每种应力的贡献率；

选出贡献率占比较大的若干个应力，作为典型应力。

根据本发明的一些实施例，所述典型应力，包括：温度、湿度、气压、地区电压情况。

根据本发明的一些实施例，所述典型应力的贡献率和超过95％。

根据本发明的一些实施例，所述确定所述智能电表的应力数据中的典型应力步骤后，还包括步骤：

对所述典型应力数据及其误差数据进行处理，去掉异常数据，得到经过处理的数据。

根据本发明的一些实施例，所述对所述典型应力数据及其误差数据进行处理，去掉异常数据，得到经过处理的数据的步骤，包括：

将智能电表中误差数据按照采集时序排列得到x(t)，求平均值μ和标准差σ；

剔除所述误差数据中的异常数据；

利用平均值插值进行顺序异常修正；

使用正规化方法对应力的样本序列进行变换，得到经过处理的数据。

根据本发明的一些实施例，所述智能电表应力误差分析方法使用的神经网络，是基于LM优化的BP神经网络。

根据本发明的一些实施例，所述将所述经过处理的数据送入神经网络进行训练，得到经过训练的神经网络的步骤，包括：

将应力参数设置为输入向量；

将智能电表误差设置为输出向量；

将实际误差设置为预期输出向量。

根据本发明的一些实施例，所述方法还包括：

利用训练过的神经网络预测出估计误差；

将估计误差加上所述智能电表的基准误差，作为所述智能电表的误差偏移量。

根据本发明的第二方面实施例的智能电表应力误差分析装置，其特征在于，包括：

数据收集模块，能够获取智能电表的应力数据及其误差数据；

典型应力分析模块，能够确定所述智能电表的应力数据中的典型应力数据；

模型训练模块，能够将所述典型应力数据及其误差数据送入神经网络进行训练，得到经过训练的神经网络；

关系分析模块，能够利用经过训练的神经网络，建立不同应力条件下的误差数据关系。

根据本发明第三方面实施例的终端，包括：存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现上述智能电表应力误差分析方法。

根据本发明第四方面实施例的计算机可读介质，其特征在于，所述计算机介质内存储有计算机软件，所述软件在运行时，能实现上述智能电表应力误差分析方法。

本发明的智能电表应力误差分析方法，使用经过LM优化的BP神经网络算法分析各种应力和误差的关联性。误差建模时引入一个附加误差，从而实现智能电能表的误差模型修正。本发明所述方法无需以往误差分析时的过多项的误差计算和误差拟合。采用PCA思想，不易出现过拟合以及欠拟合的现象，即提升误差分析效率，也能保证较高的可靠性。因此，本发明的方法可在一定条件下使智能电能表的误差预测值具有较高的置信区间，并为之后智能电能表的误差校正工作打下基础。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例所用的智能电表的计量原理图；

图2为本发明实施例一的智能电表应力误差分析方法的步骤示意图；

图3为本发明实施例二中温度对电表误差影响曲线图；

图4为本发明实施例二中湿度对电表误差影响曲线图；

图5为本发明实施例二中气压对电表误差影响曲线图；

图6为本发明实施例二中不同地区电压对电表误差的影响；其中，图6-a代表福建地区电压对电表误差的影响，图6-b代表黑龙江地区电压对电表误差的影响，图6-c代表西藏地区电压对电表误差的影响，图6-d代表新疆地区电压对电表误差的影响。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

如图1所示，图1展示了智能电表的计量原理，在智能电表中，误差的变化在多种因素的影响下是很复杂的，目前难以设计出一种能够通过理论计算的方式确定电表误差的方法。而目前大多数电能表误差分析方法未能考虑实际工作环境及工作条件对误差的影响，故存在局限性。

在本发明的分析方法中，将多种影响误差的数据，抽象为多种应力，用人工智能的方法分析误差与应力间的联系，可提升误差分析的精确度，为之后的电能表误差补偿和修正工作打下基础。具体如下。

实施例一、

参照图2，本申请的实施例提供了一种智能电表应力误差分析方法，该方法包括以下步骤：

步骤S100、获取智能电表的应力数据及其误差数据。

获取智能电表的数据的时候，需要在较长一段时间内持续进行采集，得到尽可能多的数据，这样能够增加模型的训练集数量，从而增加结果的准确率。

优选的，电表本身能够记录用电数据、应力数据以及误差数据。在某一时刻进行取样的时候，取出对应所有的应力条件数据X

X

其中，m为应力的个数。i时刻的误差数据为Y

在足够长的时间内进行采集，获取到了n组数据，则这n组数据可以表示成应力数据矩阵，如下：

n组数据的中对应的误差向量可以表示为：

Y＝[Y

步骤S200、确定智能电表应力数据中的典型应力。

步骤S100中采集到的应力数据通常数量较多，且有一些数据本身影响非常小，如果把这些考虑进去，不仅会影响后续训练模型的速度，而且还会因为这些低影响的数据造成误差，分散注意力。只需要将其中占比较大的应力挑选出来进行研究即可。

为找到和电能表误差关联最密切的若干个应力，采用改进的主成分分析(PCA)思想，通过寻找样本空间的一组正交向量，用这组正交向量表出整体情况，从而实现用少数主成分来描述原来的高维数据，并最大限度地保留原始数据的信息。

在实验所得的n个有效数据样本中，每个样本有m个采样数据，即可得到样本数据矩阵为X

步骤S201、对数据进行标准化处理。

标准化处理所使用的公式如下：

式中，

步骤S202、利用经过标准化处理的数据，计算出每种应力的贡献率。

设经标准化处理后的矩阵为

然后计算协方差矩阵P的特征值λ

其中，第k个主成分对应的贡献率为表示为：

λ

步骤S203、选出贡献率占比较大的若干个应力，作为典型应力。

将贡献率按照从高到低进行排序，选择排序靠前的若干个主成分，作为典型应力。

根据大量实验，前三或者前四个主成分累计的贡献率能达到95％以上，所以在取典型应力的时候只需要选择三或四种应力，就能分析出主要的影响因素。这些应力包括：温度、湿度、气压、地区电压。

步骤S300、对典型应力数据及误差数据进行处理，去掉异常数据，得到经过处理的数据。能够增加后续过程中训练数据的准确性，排除在取样时明显不合常理的数据。

根据本申请一些较优的实施例，该步骤具体包括：

步骤S301、将智能电表中误差数据按照采集时序排列得到x(t)，计算平均值μ和标准差σ；

步骤S302、剔除所述误差数据中的异常数据。

利用统计学中常用的“3σ准则”，将数据段中不在[μ-3σ，μ+3σ]范围内的数据点判定为异常值，将其剔除。

步骤S303、利用平均值插值进行顺序异常修正。

被剔除的数据会空出一个位置，将这位置前后各一个数据求均值，填补到原本的位置。公式如下：

步骤S304、使用正规化方法对应力的样本序列进行变换。

使用z-score法(正规化方法)，对应力的样本序列x

变换后的序列为y

步骤S400、将所述经过处理的数据送入神经网络进行训练。

在三层神经网络结构下，设置经过预处理后的典型应力y＝[y

在网络输出结果即智能电能表误差z不满足设置要求时，网络的数据处理进入反向传播环节，此时误差信号从后向前对各层单元的权重值和阈值进行修改，本文根据梯度下降法的原理完成反向传播的过程。输出层的误差函数设为E，其表达式为：

其中，w为所有的权值，tk为第k次迭代时智能电能表误差的实际值，zk为第k次迭代后智能电能表误差的估计值，t为智能电能表误差的实际值，z为智能电能表的估计误差。

根据本申请一些较优的实施例，所谓智能电表误差的实际值t为大量实验数据得到的精准误差，可以认为是该应力条件下对应的实际智能电表误差。

模型初始阶段，权值的初始值设置为一定范围内的随机值。将Hessian矩阵分解为Jacobians矩阵的乘积，然后求其逆矩阵，从而降低计算的复杂程度，更快地更新权值，其计算公式为：

式中，ΔW为网络权值的变化量；h为迭代次数；J

模型训练的过程是通过多次的迭代来减小误差值，权值向量在第i次迭代时被更新为：

w

当输出误差函数值满足下式：

E(h)≤e

其中，e

也就是说，当模型训练出来的估计误差k，与实际智能电表误差t的差距足够小的时候，说明该模型训练的时候具有相当高的精确度。

训练好的模型就可以挖掘作用于电能表的应力特征值与误差值之间的非线性关系，并在一定条件下能较为精准地预测误差。

根据本申请一些较优的实施例，本申请能够依靠上述模型预测出不同应力条件下的误差情况，然后依据上述误差对电表进行误差修正，具体可以描述为：

步骤S500、根据智能电能表所处环境以及工作情况估计其误差偏移量。

本发明所述方法在分析智能电能表的误差时，充分考虑了实际使用时各种应力对误差的影响，考虑了各种应力带来的附加误差，从而实现智能电能表的误差的修正。

具体包括：

步骤S501、利用训练好的神经网络预测出估计误差。

通过模型预测出智能电表在当前运行状态下的应力误差产生的估计误差z。应力误差产生的估计误差z是上述模型经多次参数迭代优化、满足终止判据后的最终输出。

步骤S502、将估计误差加上所述智能电表的基准误差，作为所述电表的误差偏移量。

将步骤S501得到的估计误差z，以及标准条件下电能表的基准误差Δe

Δe＝z+Δe

电能表的基准误差Δe

实际条件下应力误差产生的估计误差z则是因工作环境应力条件与理想条件不一致造成的，根据本方案中的模型，把待测电能表所处的应力条件作为输入变量，可以得到该环境下估计误差z，并依据上述公式14计算得到电能表的误差偏移量Δe。

步骤S600、利用经过训练的神经网络，建立不同应力条件下的误差偏移量的关系。

训练好的神经网络模型能够建立误差偏移量Δe与应力条件的关系，通过画图来表现出来，能够直观的看出变化趋势。

实施例二、

为了验证上述实施例的有效性，在实施例一的基础上，带入数据进行说明：

步骤A100、获取智能电表的应力数据及其误差数据。

与实施例一中描述的方法一致，此处省略。

步骤A200、确定智能电表应力数据中的典型应力。

在某次实验中，取得了60725个有效数据样本中，每个样本有8个采样数据，即可得到样本数据矩阵为X

步骤A201、对数据进行标准化处理。

公式如下：

式中，

步骤A202、利用经过标准化处理的数据，计算出每种应力的贡献率。

设经标准化处理后的矩阵为

计算协方差矩阵P的特征值λ

第k个主成分对应的贡献率为：

步骤A203、选出贡献率占比最大若干个应力，作为典型应力。

将贡献率按照从高到低进行排序，选择排序靠前的若干个主成分，作为典型应力。

实验得出，前4个主成分的累计贡献率达到了95％，这4个主成分别是温度、湿度、气压和电压应力，作为下文模型输入变量。

步骤A300、对典型应力数据及误差数据进行处理，去掉异常数据，得到经过处理的数据。

步骤A301、将智能电表中误差数据按照采集时序排列得到x(t)，计算平均值μ和标准差σ；

步骤A302、设定剔除阈值。

利用统计学中常用的“3σ准则”，将数据段中不在[μ-3σ，μ+3σ]范围内的数据点判定为异常值，将其剔除。

步骤A303、利用平均值插值进行顺序异常修正。

被剔除的数据会空出一个位置，将这位置前后各一个数据求均值，填补到原本的位置。公式如下：

步骤A304、使用正规化方法对样本序列进行变换

使用z-score法(正规化方法)，对样本序列x

变换后的序列为y

得到经过处理的数据。

步骤A400、将所述经过处理的数据送入神经网络进行训练。

与实施例一中的步骤相同，此处略过。

步骤A500、根据智能电能表所处环境以及工作情况计算其误差偏移量。

与实施例一中的步骤相同，此处略过。

步骤A600、利用经过训练的神经网络，建立不同应力条件下的误差偏移量的关系。

本发明以一次实验得到的应力误差曲线为例，分别是温度对电表误差影响曲线(如图3所示)；湿度对电表误差影响曲线(如图4所示)；气压对电表误差影响曲线(如图5所示)和不同地区电压对电表误差的影响(如图6所示)。

上述方法利用训练好的神经网络建立了典型应力与误差之间的关系，并以图像的方式展示了出来，能够很直观的分析出不同应力造成的误差。

本发明第二方面的实施例提供了一种智能电表应力误差分析设备，包括：

数据收集系统，能够获取智能电表的应力数据及其误差数据；

典型应力分析系统，能够确定所述智能电表的应力数据中的典型应力；

模型训练模块，能够将所述经过处理的数据送入神经网络进行训练，得到经过训练的神经网络；

关系分析模块，能够利用经过训练的神经网络，建立不同应力条件下的误差数据关系。

本申请的该实施例将实施例一中描述的智能电表应力误差分析方法以计算机设备的形式进行呈现，能够利用LM优化过的BP神经网络对智能电表中应力以及误差的对应关系做出分析，绘制出变化曲线，从而依靠上述方法，实现对应力与误差之间对应关系的建立，达到智能电表误差分析的效果。

本申请又一实施例提供了一种终端，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时以实现上述智能电表应力误差分析方法。

具体地，处理器可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

具体地，处理器通过总线与存储器连接，总线可包括一通路，以用于传送信息。总线可以是PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。

存储器可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

可选的，存储器用于存储执行本申请方案的计算机程序的代码，并由处理器来控制执行。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。